2017年琐事记

从C++到Python:我的技术转型之路
本文作者分享了从学习C++到转向Python及机器学习领域的过程。讲述了如何通过自学Python和掌握基本的机器学习算法来拓宽职业道路,并计划进一步深化大数据和机器学习方向的知识。

 2017年上半年我还在碌碌无为的学着C++,意识到找工作要经历而自己实验室全是自己不感兴趣的理论,没有项目之后。在朋友的帮助下,人生中第一次完成了算法比赛的基本目标的实现(众星捧月,中兴公司的算法比赛)。然后,获得了应届校招中兴的免笔试资格,那个时候觉得自己研一学C++没有白费。

6,7月的时候,由于想找个更好的工作,Python和机器学习最火。为了钱吧,就开始学了。8月底到现在12月底的4个月时间里面。基本掌握了Python3和Python2的基本语法,可以写一些简单的数据处理课程作业,机器学习算法这块看了两边算法教材,感觉初步了解了算法大概要干些什么。

明年2018年9月就要开始校招了,为了自己更好的工作机会,希望自己在接下来的这半年时间里面,多看看数据库方面的知识,熟悉一种大数据框架和一种大数据架构,最最最重要的是既然不是很想实习去赚钱为简历做准备的话,那就潜心修炼,多多熟悉那些机器学习包的功能实现。参加两到三个线上的大数据竞赛,有点小成绩也算对得起后知后觉的自己了。

少年,加油!!!

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值